بین این دو باند به خوبی پوشش گیاهی را از بقیه پدیده‌ها تفکیک می کند.
1-2-6-2-1- شاخص پوشش گیاهی نرمال شده ( NDVI)^[21]
این شاخص متداولترین شاخص پوشش گیاهی است که توسط روز و همکاران ( 1973) ارائه شده است. NDVI یکی از شاخص‌های مهم مورد استفاده در مطالعات پوشش گیاهی است، که تغییرات مشاهده شده NDVI در طول زمان بیان کننده تیپ پوشش­گیاهی، فنولوژی و حالات محیطی منطقه است. شاخص گیاهی NDVI از طریق دو باند قرمز و مادون قرمز نزدیک محاسبه می‌گردد که انعکاس در باند قرمز بیشتر مقدار کلروفیل برگ و انعکاس در باند مادون قرمز نزدیک به ساختمان برگ بستگی دارد. بنابراین NDVI بیشترین رابطه را با حجم زنده گیاهی در میان مشخصه‌ های پوشش گیاهی دارد و کمترین تاثیر را از توپوگرافی می‌پذیرد. این شاخص از رابطه زیر بدست می‌آید.

NDVI= (NIR- R)/(NIR+R)
با افزایش پوشش گیاهی، میزان ارزش حاصل از این نسبت گیری نیز افزایش می‌یابد. از طرفی چون اختلاف بازتاب پوشش گیاهی در این دو باند بیشتر از اختلاف بازتاب خاک در آنها است، خاک بسیار کمتر از پوشش گیاهی تحت تاثیر این فرایند قرار می‌گیرد (لانگلی، 2001).
1-2-6-3- تجزیه و تحلیل مولفه‌های اصلی:
بازتاب ثبت شده در باندهای سنجنده‌های چند طیفی به دلیل تشابه بازتاب پدیده‌هایی با ویژگیهای مشابه و همپوشانی حساسیت طیفی باندها، دارای همبستگی بالایی نسبت به هم می‌باشند. تجزیه و تحلیل مؤلفه‌های اصلی ( PCA) اطلاعات باندهایی را که همبستگی بالایی دارند دریک باند متمرکز می‌کند. PCA در واقع یک تبدیل خطی برای فشرده‌سازی داده است که در آن محور‌های مختصات فضای چند باندی به گونه‌ای دچار چرخش می‌شوندکه اولین محور راستای حداکثر واریانس ارزش‌های باندها قرار گیرد و دومین محور عمود بر محور اول و در راستای واریانس باقی‌مانده قرار می‌گیرد. بنابراین از n باند شرکت کننده در تبدیل، n باند جدید که فاقد همبستگی بالایی هستند ایجاد می‌گردد.
1-2-7- تجزیه و تحلیل داده‌ها و استخراج اطلاعات
هدف اصلی سنجش از دور، استخراج اطلاعات مفید از داده‌های دور سنجی است. بسته به کیفیت تصاویر و هدف مطالعات می‌توان به روش‌های تقسیر رقومی، تجزیه و تحلیل رقومی و تلفیقی رقومی چشمی، برای تحقق استخراج اطلاعات مفید از تصاویر ماهواره‌ای اشاره نمود.
1-2-7-1- تفسیر چشمی
این روش در رابطه با تفسیر عکس‌های هوایی که در آغاز پیدایش تنها به صورت تصویری و چاپی در اختیار کاربران قرار می‌گرفته، متداول گشته است. درتفسیر چشمی از طریق کار میدانی و با بهره گیری از دانش تخصصی موضوع تفسیر، نمونه‌های کوچکی از پدیده‌ها و طبقه‌ها مورد نظر بر روی عکس‌ها مشخص ‌می‌گردند. این نمونه‌ها به کلید تفسیر معروفند و جهت تفسیر دیگر قسمت‌های عکس مورد استفاده قرار می‌گیرند (مخدوم و همکاران، 1380). امروزه به دلیل پیشرفت در تفسیر رقومی و پدیدآمدن روش‌های کارآمد تفسیر رقومی، این شیوه تقریبا منسوخ گشته است.
1-2-7-2- تفسیر رقومی
شیوه‌های رقومی تجزیه و تحلیل تصاویر ماهواره‌ای بر پیکسل‌ها و اطلاعات طیفی استوارند. اطلاعات طیفی پیکسل‌ها جنبه محوری داشته و نقش اصلی را در تجزیه و تحلیل و تشخیص ایفا می‌کنند. هر چه بازتاب طیفی پدیده‌ها از هم متفاوت باشند، تفسیر رقومی نتایج بهتری را ارائه می‌دهد. روش‌های عمده استخراج اطلاعات از تصاویر ماهواره‌ای(به صورت رقومی) را می‌توان به چهار دسته اصلی تقسیم نمود: استفاده از حد آستانه‌ها یا برش گذاری، محاسبات تصویری، طبقه بندی و قطعه بندی (فاطمی و رضایی، 1385).
1-2-8- طبقه بندی داده‌های ماهواره‌ای
طبقه بندی عبارت است از نسبت دادن پیکسل‌های تصاویر ماهواره‌ای به رده و طبقه خاص، براساس خصوصیات طیفی آنها (شتایی، 1384). طبقه بندی تصاویر ماهواره‌ای از رایج‌ترین روش‌های تفسیر رقومی محسوب می‌گردد، که به دو دسته نظارت شده^[22] و نظارت نشده^[23] تقسیم می‌گردد.
1-2-8-1- طبقه بندی نظارت شده
در طبقه‌ بندی نظارت شده کاربر با بهره گرفتن از معرفی دقیق طبقه‌ها و پدیده‌های مورد نظرش بر تعداد طبقه‌ها و پدیده‌های تفکیک شده در طبقه بندی نظارت دارد.کاربر با معرفی مجموعه‌های کوچکی از پیکسل‌ها به عنوان نمونه‌هایی از طبقه‌های مورد نظرش با بهره گرفتن از کار میدانی‌، عکس‌های هوایی کوچک مقیاس و نقشه‌های موضوعـی، طبقه‌ها را به سامـانه معرفی می‌کند. سپـس مشخصـات
(میانگین، انحراف معیار و غیره) پیکسل‌های نمونه محاسبه گشته و با بهره گرفتن از روابط آماری در قالب آلگوریتم‌های متعدد، یکایک پیکسل‌ها به طبقه‌های معرفی شده، اختصاص می‌یابند. طبقه بندی نظارت شده در پنج مرحله تعیین طبقه‌ها، تعیین نمونه‌های تعلیمی و اصلاح آنها، انتخاب باندهای مناسب، طبقه بندی و تهیه خروجی انجام می‌گردد.
1-2-8-2- نمونه‌های تعلیمی
پس از تعداد و تعریف نوع طبقات مورد استفاده در طبقه بندی نظارت شده، تعدادی پیکسل از هر طبقه برای انجام مرحله طبقه بندی انتخاب می‌گردد. عوامل متعددی در این مرحله اثر گذار هستند که از جمله آنها می‌توان به همپوشانی طیفی عوارض، وضعیت هندسی عوارض، منبع داده‌های نمونه گیری و اثر انسانی اشاره نمود (امینی، 1385). لازم است کارشناس دور سنجی تعداد و نوع طبقه‌ها را از دیدگاه دورسنجی، ویژگی‌ها و توانایی‌های سنجش از دور مورد بازبینی قرار دهد. چه بسا که تعداد و نوع طبقه‌ها در پروژه‌ای بدون توجه به قابلیت‌ها و ویژگی‌های داده‌های ماهواره‌ای پیش بینی شده باشد و در عمل این تعداد و نوع طبقه‌ها در سنجش از دور با قابلیت بالایی قابل دسترسی نباشد. نکته بسیار مهم دیگر در اختیار داشتن تعریف معینی از طبقه‌های تعیین شده می‌باشد.
1-2-8-3- انتخاب تعداد نمونه‌های تعلیمی
هدف از انتخاب نمونه‌های تعلیمی، دست یافتن به مجموعه ­ای از داده‌های طیفی است که می‌توانند جهت تعیین الگوی تصمیم گیری برای طبقه بندی هرپیکسل، در کل مجموعه داده‌های تصویری مورد استفاده قرار گیرند. تهیه نمونه‌های تعلیمی برای انتخاب مناسب‌ترین مجموعه باندی جهت طبقه بندی نیز ضروری می‌باشد. طبقه بندی از طریق محاسبه مشخصه‌ های آماری نظیر میانگین و انحراف معیار هر طبقه در نمونه‌های تعلیمی و محاسبه آن در کل تصویر توسط هریک از خوارزمی‌های طبقه بندی کننده صورت می‌گیرد. انتخاب نمونه‌های تعلیمی مناسب، لازمه یک طبقه بندی صحیح می‌باشد. نمونه‌های تعلیمی باید از توزیع نرمال برخوردار بوده و معرف هر یک از طبقات مورد نظر باشند (شتایی، 1382).
1-2-8-3- انتخاب باندهای مناسب جهت طبقه بندی
با بهره گرفتن از فنونی جهت ایجاد اطلاعات جدید مانند نسبت‌گیری‌ ها، تبدیل مؤلفه‌های اصلی، تسلدکپ، ادغام داده‌ها و غیره، مفسر با حجم زیادی از داده‌ها برای طبقه بندی روبرو خواهد شد. بنابراین لازم است مناسبترین باندها و مجموعه‌های آنها از جهت دارا بودن حداکثر اطلاعات برای انجام عمل طبقه‌بندی انتخاب شوند. یکی از روش‌هایی که برای تعیین باندهای مناسب جهت طبقه‌بندی به کار می‌رود روش ماتریس همبستگی است. با تشکیل ماتریس همبستگی بین باندهای طیفی می‌توان از برخی باندها که دارای همبستگی بالایی می‌باشندو اطلاعات تکراری زیادی در آنها وجود دارند صرفنظر نمود. روش دیگر برای انتخاب باندهای مناسب معیارهای فاصله فاکتور شاخص بهینه می‌باشد. معیار فاکتور شاخص بهینه براساس میزان انحراف معیار و ضریب همبستگی بین باندها می‌باشد. از معیار‌های فاصله باتاچاریا و واگرایی تبدیل شده نیز برای انتخاب باندهای مناسب استفاده ‌می‌گردد (پورشکوری، 1383).
1-2-9- طبقه بندی
در مرحله طبقه بندی به کمک نمونه‌های تعلیمی معرفی شده به سامانه و براساس شباهت بازتاب تعیین شده پیکسل‌ها به طبقه‌های مورد نظر اختصاص می‌یابند. در طبقه بندی آلگوریتم‌های زیادی مورد استفاده قرار می‌گیرند که بر اساس روابط آماری نمونه‌های تعلیمی عمل می‌نمایند. مهم ترین آنها طبقه بندی کننده‌های حداقل فاصله^[24]، متوازی السطوح^[25] یا جعبه ایی، حداکثراحتمال^[26] و ماشین بردار پشتیبان می‌باشند.
1-2-9-1- آلگوریتم حداقل فاصله از میانگین
اساس آلگوریتم فاصله بر محاسبه میانگین هر طبقه و محاسبه پیکسل نامعلوم تا این میانگین‌ها در فضای چند طیفی می‌باشد. در این روش هر طبقه با بردار میانگین مقادیر آن شناخته می‌شود. روش حداقل فاصله از میانگین اغلب در حالتی که تعداد کمی پیکسل معلوم برای طبقه‌ها وجود دارد دقت بهتری را ارائه می‌دهد. در این روش طبقه پیکسل ناشناس وجود ندارد و تمامی پیکسل‌ها طبقه‌بندی می‌گردند.
1-2-9-2- آلگوریتم طبقه بندی متوازی السطوح
در خوارزمی متوازی السطوح که طبقه بندی کننده جعبه‌ای نیز نامیده می‌شود، حداقل و حداکثر ارزش طیفی هر یک از مشخصه‌ های طیفی در باندهای مورد استفاده در طبقه بندی بر اساس نمونه‌های تعلیمی محاسبه می‌شود و سپس طبقه‌بندی براساس حداقل و حداکثر ارزش‌های طیفی محاسبه شده انجام می‌گیرد. درتفکیک پدیده به کمک این روش پیکسل‌ها ممکن است در سه گروه طبقه‌بندی گردند. این سه گروه عبارتند از: پیکسل‌های ناشناس، پیکسل‌هایی که در یک طبقه قرار می‌گیرند و پیکسل‌هایی که در دو یا چند طبقه قرار می‌گیرند.
1-2-9-3- آلگوریتم حداکثر احتمال
آلگوریتم حداکثراحتمال یکی از رایج ترین و معروف ترین الگوریتم های طبقه بندی کننده است. در این روش در مرحله اول بر اساس نمونه های تعلیمی طبقات میانگین و جدول کوواریانس برای باندهای مورد استفاده در طبقه بندی محاسبه می شود و در مرحله دوم میزان احتمال تعلق پیکسل­ها به هر یک از طبقات محاسبه شده و بر اساس بالاترین میزان احتمال عمل طبقه بندی و اختصاص پیکسل ها به طبقات مختلف صورت می گیرد در مرحله سوم هم می توان از مدل های مکانی که به هر یک از طبقات مورد نظر تعلق دارند استفاده نمود. روش های ذکر شده روش های معمول طبقه بندی هستند که از تکنیک های آماری به روش پارامتریک استفاده می نمایند. روش های طبقه بندی آماری بستگی به مدل داده ها ( مثل توزیع نرمال) دارند، بنابراین کارآمدی این روش ها بستگی به میزان تطبیق داده ها با این مدل ها دارند. اگر توزیع داده های ورودی تقریبا نرمال باشد، کارآرایی این روش‌های طبقه بندی آماری می تواند خوب باشد. علیرغم محدودیت‌های این روش که ناشی از فرض توزیع نرمال طبقه‌هاست، (سوآن^[27] و داویس^[28]، 1978) شاید یکی از پرکاربردترین روش‌های طبقه بندی باشد (هانسن^[29] وهمکاران، 1996؛ وانگ^[30]، 1990).
شکل 1-2- چگونگی تعیین مرز طبقه‌ها در آلگوریتم‌های طبقه بندی متوازی السطوح ( الف)، حداقل فاصله از میانگین و حداکثر احتمال (ج)
1-2-9-4- آلگوریتم ماشین بردار پشتیبان (svm^[31])
در چند سال اخیر یک تکنیک جدید بر اساس تئوری یادگیری آماری با نام ماشین بردار پشتیبـان جهت طبقه ­بندی داده‌های سنجش از دور مورد استفاده واقع شده است (دیکسون^[32] و کنداده^[33]، 2008 و یااو^[34] و همکاران، 2008). در اصل روش­های svm برای تشخیص متون موجود در تصـاویر (تبدیل اسناد موجود به متن کامپیوتری)، تشخیص رقومی دست نوشته و شناسایی صورت به کار برده شده است. آلگوریتم ماشین بردار پشتیبان یک روش کلاسه بندی الگو است که اولـین بار توسط ویپنیـگ^[35] معرفی شد (اسونا^[36] و همکاران، 1997 و بورگز^[37]، 1998). در سال 1965 محقق روسی به نام ولادیمیر ویپنیـگ گامی بسیار موثر در طراحی طبقه بندی کننده‌ها برداشت. وی نظریه آماری یادگیری را به صورت مستحکم تری بنا نهاد و ماشین‌های بردار پشتیبان را بر این اساس ارائه داد (آرخی و ادیب نژاد، 1390). ماشین بردار پشتیبان (SVM) در واقع یک طبقه بندی کننده دودویی است. در مورد دو طبقه، روش SVM سعی دارد یک ابر صفحه ایجاد نماید که فاصله هر طبقه را تا فراصفحه حداکثر می نماید. داده های نقطه ای که به فراصفحه نزدیکترند، برای اندازه گیری این فاصله بکار می روند. از این رو، این داده ­های نقطه ای، بردارهای پشتیبان نام دارند (ویپنـیگ، 1995).
1-2-10- طبقه بندی سلسله مراتبی یا چند مرحله ای^[38] :
در این روش طبقه­هایی­که در نهایت باید از نتایج طبقه بندی حاصل شود، مرحله به مرحله از همدیگر تفکیک می گردند. در روش چند مرحله ای، درهر مرحله یک یا چند طبقه خاص و یا یک طبقه یا زیر طبقه های مربوط از دیگر طبقه ها تفکیک یا به بیانی دیگر ماسک می شود. طبقه ماسک شده، خود نیز می تواند در مرحله بعدی مورد طبقه بندی مجدد قرار گیرد. بسته به تعداد طبقه های جدا شده در هر مرحله، دو شکل کلی، روش درختی کلی^[39] و روش دودوئی^[40] از این نوع طبقه بندی قابل ذکر است. در روش درختی کلی دو یا چند طبقه در هر مرحله تفکیک می گردند و این روش تا جداشدن تمام طبقه­ها پیش می رود. در روش درختی دودوئی دو کلاسه و یا دو مجموعه از کلاسه­ها تفکیک می گردند. مزیت استفاده از روش­های چند مرحله­ ای این است که باندهای مختلف، پدیده های مختلف و حتی آلگوریتم­های مختلف را در هریک از مراحل طبقه بندی می توانند به کار روند (پورشکوری 1383). در طبقه بندی تصاویر چند زمانه با تعدادی از تصاویر ماهواره­ای هم مختصات شده از زمان­های مختلف و مربوط به یک منطقه مشابه روبرو هستیم. به صورت کلی می­توان این تصاویر را به دو صورت، مطابق شکل 1-3 طبقه بندی نمود. در شکل 1-3 در حالت اول داده ­ها ادغام و سپس طبقه بندی انجام می گیرد. از روی تصویر حاصل تصمیم گیری نهایی اتخاذ می گردد. در حالت دوم مانند قسمت ب شکل 1-3 ابتدا تصاویر به صورت منفرد مورد طبقه بندی قرار می گیرند. نتایج طبقه بندی­ها با هم ادغام و تصویر نهایی حاصل می گردد. از روی تصویر نهایی تصمیم گیری نهایی صورت می گیرد (جون، 1999)^[41].
شکل 1-3- طبقه بندی تصاویر چند زمانه به دو حالت، طبقه بندی بعد از ادغام (الف) و قبل از ادغام (ب) (جون، 1999)
1-2-11- ارزیابی صحت نتایج طبقه بندی
پس از پایان عمل طبقه بندی، نتایج حاصل از طبقه بندی با واقعیت زمینی و با کمک معیارهای تعیین صحت به صورت کمی برآورد می گردد. نتایج این مقایسه به صورت جدولی که به آن جدول خطا می گویند، ارائه می گردد. در این جدول معمولا طبقه های نقشه طبقه بندی شده در ردیف‌های جدول و واقعیت زمینی در ستون های جدول درج می گردند. در واقع پیکسل های درست طبقه بندی شده در قطر جدول قرار می گیرند و پیکسل های غیر قطری درست طبقه بندی نشده اند (درویش صفت، 1377). برای برآورد صحت از نقشه های واقعیت زمینی استفاده می‌گردد. در کارهای تحقیقاتی تهیه واقعیت زمینی صد در صد از منطقه بسیار دقیق می باشد و برای برآورد صحت بسیار مفید خواهد بود. در کارهای اجرائی و در بسیاری از تحقیقات به دلیل محدود بودن هزینه، کارشناسان را بر آن داشت تا از واقعیت زمینی نمونه ای استفاده نمایند. ارزیابی صحت نتایج طبقه بندی عموما بر اساس معیارهای بیان صحت نظیر صحت کلی^[42]، صحت کاربر^[43] و ضریب کاپا^[44] صورت می گیرد.
1-2-11-1- صحت کلی :
این معیار از قدرت بیان کنندگی پائینی برخوردار است. خطاهای Commission (پیکسل هایی که به خطا به طبقه ها اختصاص یافته اند) و Ommission (پیکسلهایی که به عنوان طبقه واقعی خود شناسایی و طبقه ­بندی نشده­اند) در محاسبه آن در نظر گرفته نمی شود. بروز توافق اتفاقی نیز ممکن است در آن رخ دهد. ارزش­های قطری جدول خطا که نشان دهنده تعداد پیکسل‌های مورد طبقه بندی نشان دهنده صحت کلی است. صحت کلی زمانی با ارزش است که صحت هر یک از طبقه­ها نیز بالا باشد (درویش صفت، 1377).
1-2-11-2- صحت های کاربر و تولید کننده :
صحت کاربر بیانگر میزان احتمال اینکه یک پیکسل در نقشه طبقه بندی شده در عمل نیز به آن طبقه تعلق داشته باشد، است. این معیار به وسیله تقسیم تعداد پیکسل های درست طبقه بندی شده در طبقه مورد نظر بر تعداد پیکسل های طبقه مورد نظر در طبقه بندی اندازه گیری می شود. در محاسبه صحت کاربر از اندازه گیری خطای Commission استفاده می­گردد. در محاسبه صحت تولیدکننده نیز از اندازه ­گیری خطاهای Ommission استفاده می­گردد. در این معیار در واقع بیان می شود که به چه نسبت پیکسل های واقعیت زمینی، درست طبقه بندی شده اند. این معیار به وسیله تقسیم تعداد پیکسل های درست طبقه بندی در طبقه مورد نظر بر تعداد پیکسل های طبقه مورد نظر در واقعیت زمینی بدست می آید این دو معیار صحت کل نیستند و صحت را برای هر کلاسه محاسبه می کنند.
1-2-11-3- ضریب کاپا :